一种基于卷积神经网络的雷达信号波形自动识别方法与流程

：本发明属于电子对抗，主要涉及的是一种基于卷积神经网络的雷达信号波形自动识别方法。

背景技术

0、
背景技术：

1、lpi雷达信号波形识别方法主要有三大类，即最大似然法、特征工程法和深度学习方法。前两类方法要么计算量大、对参数误差敏感，要么是特征难以设计、抗噪声性能差等，很难在实际中运用。而基于深度学习的人工智能方法，利用深度神经网络强大的特征自动提取能力，特别是运用信号时频分布构建图像特征并结合深度神经网络完成调制识别的方法，能够自动提取图像各种特征细节，比传统方法识别准确率高，抗噪声性能好。

2、然而这类方法大多数本质上属于闭集识别方法，默认识别阶段的信号种类和训练时的信号种类相同。如果识别阶段出现了训练集中未包含的信号种类，闭集方法就会将这些信号错误的识别为已知类的信号，导致性能识别准确率急剧下降。

3、在实际开放且非协作的电磁信号环境中，往往会存在大量的未知信号，对于重点关注的lpi雷达信号进行识别跟踪时，无法保证截获的信号一定是已知的lpi雷达信号种类，此时需要lpi识别方法具有已知信号高准确识别的同时能够有效检测出未知信号。

技术实现思路

0、
技术实现要素：

1、为了克服上述的不足，本发明提供了一种基于卷积神经网络的雷达信号波形自动识别方法，即rpl-loss损失函数相结合lpi雷达信号开集识别算法。

2、本发明解决其技术问题所采用的技术方案：

3、一种基于卷积神经网络的雷达信号波形自动识别方法，

4、在非合作接收条件下，利用信号库中侦察到的信号构建训练集；

5、cwd时频分布转换lpi雷达信号；

6、通过卷积神经网络提取经cwd时频分布转换后的lpi雷达信号的二维时频图的高维特征向量；

7、计算所述特征向量与互易点之间的空间距离，以判断样本与互易点对应的已知类之间的差异程度；

8、如果样本与互易点之间的距离较大，表示样本与对应已知类的差异较小，属于该已知类的概率越大；

9、如果样本与互易点之间的距离较小，则表示样本与已知类的差异较大，属于未知类的概率越大；

10、通过确定合适的距离阈值，完成对lpi雷达信号的开集识别。

11、在非合作接收条件下，利用信号库中侦察到的信号构建训练集的步骤如下：

12、假设雷达信号库中有数量为m已有标记好的lpi雷达信号，这些雷达信号属于n类信号，训练集表示为：

13、sl＝{(x1,y1),(x2,y2),…,(xm,ym)}  (1)

14、这里，xi表示信号样本，yi是信号xi的标签，表示信号种类，有yi∈{1,2,…,n}；

15、测试时可能遇到的已知类信号和未知类信号组成一个测试集，测试集可表示为：

16、sr＝{t1,t2,…,tp}  (2)

17、测试集信号数量为p，测试集中信号样本ti的标签yi∈{1,2,…,n}∪{n+1,n+2,…,n+u}，其中u表示未知信号类的个数；

18、sl经过特征提取后形成高维特征空间集其对应的潜在k类特征空间为ck，已知k类的开放特征空间记为ok，ok是ck的补集，ok可以进一步表示为：

19、

20、其中okpos表示不属于k类信号，但属于已知类中的其他类信号，即表示未知类信号特征空间，测试集中的未知信号集

21、若是单分类开集识别问题，就是找到一个二值函数φk∈{0,1}，使得误差期望σk最小，即：

22、

23、式(4)中，σc对应的是已知类别的识别误差，σo是未知类别的检测误差，α是一个正的正则化系数；

24、对于一个多分类识别的问题，则是使总的误差期望值最小，即：

25、

26、可以进一步写为：

27、

28、式(6)中，f代表的识别分类网络。

29、所述cwd时频分布转换lpi雷达信号的步骤如下：

30、lpi雷达信号s(t)可以表示为：

31、s(t)＝aejφ(t),0≤t≤τ  (7)

32、式中，a表示信号幅度，t表示时间，φ(t)表示信号相位，τ表示信号的脉冲宽度；

33、雷达发射机发出的lpi雷达信号s(t)，经过信道传输后，被非合作的侦察截获接收机接收；考虑到信道传输和路径衰落效应，侦查接收到的雷达信号可以表示为：

34、x(t)＝s(t)*h(t)+n(t)  (8)

35、式中，n(t)表示加性高斯白噪声噪声信号，h(t)表征信道响应函数；

36、雷达信号的信噪比定义为：

37、

38、将一维的时间信号映射到二维的时频平面，用于雷达信号预处理阶段的时频联合特征提取，得到lpi雷达信号x(t)的cwd图像：

39、

40、式中，是核函数，

41、所述通过卷积神经网络提取经cwd时频分布转换后的lpi雷达信号的二维时频图的高维特征向量的步骤如下：

42、所述卷积神经网络由3个相同的卷积模块c1、c2、c3级联而成，每个卷积模块都有3层卷积，所有卷积的卷积核大小为3，c1模块的第一次卷积模块输入通道为3，输出通道为64，第二次卷积输入输出通道均为64，第三次卷积输出通道为128；c2、c3模块的输入输出通道数均为128；

43、为了防止训练时出现过拟合，在每个卷积模块的第一次卷积前进行一次dropout操作,设置droprate＝0.2，每层卷积后都进行批归一化和relu函数激活，以提高训练时的效率；

44、每个模块的前两次卷积步长设置为1，第3次卷积步长为2，填充均为1；

45、经过卷积模块后，得到128×8×8的特征图，经过average pooling后得到128维的特征向量，所有训练样本的特征向量形成样本特征空间；

46、特征向量经过softmax全连接层最终输出lpi雷达信号波形识别的类别。

47、所述计算所述特征向量与互易点之间的空间距离，以判断样本与互易点对应的已知类之间的差异程度的步骤如下：

48、根据互易点的定义：k已知类的互易点pk是其类外空间ok中样本的代表点，可知，ok中的样本到对应互易点pk的距离要比ck中的样本到pk点的距离更近，即：

49、

50、式中，ψ(·)表示计算两个样本之间的高维空间距离；

51、为了更好的表达lpi雷达信号时频图的高维空间距离，采用欧氏距离和点积相结合的方式；

52、

53、式中，x表示样本信号，w(·)表示特征提取函数，即将输入样本通过卷积神经网络映射到特征空间，i(·)表示由信号数据经过预处理得到时频图像的过程，m表示特征空间的维数；为了使ck和ok能够区分，ok通过设置合理阈值，限制在空间范围r内：

54、

55、通过限制未知类样本与其对应互易点的距离不超过r，从而限制开放空间大小，降低开放风险；

56、对已知样本分类时，根据样本与每个互易点的距离判断样本属于哪一类；样本属于k类的概率使用softmax函数归一化：

57、

58、样本x在特征空间中与哪一类互易点的距离最大，属于该类信号的概率就最大，其损失函数为：

59、lc(x；θ,p)＝-lnp(y＝k|x,w,i,p)  (17)

60、式中，θ表示卷积神经网络的权重参数；第k类的样本与其互易点pk距离越大，已知类的识别就越准确；因此，识别函数f的优化目标为：

61、

62、进行识别时，目标函数为式(15)；

63、然而未知信号su实际上来自识别阶段的开放环境，无法在训练阶段预知，所以式(18)的实现是非常困难的，但由于ck与ok是互补的，可以通过促使ck中的样本与pk的距离大于r间接约束开放空间大小，其开放空间的损失函数为：

64、

65、同时最小化损失函数lc和lo，等价于尽可能地使小于r，将这一整体的损失函数简称为rpl-loss，其表达式为：

66、l(x,y；θ,p,r)＝lc(x；θ,p)+α·lo(x；θ,p,r)  (20)

67、式中，α是控制开放空间风险的超参数。

68、所述合适的距离阈值的选取步骤如下：

69、使用模型对sr分类时，计算sr中样本与已训练模型中每一个已知互易点的距离集合：

70、ψ(sr,pk)＝{d1,d2,…,dt}  (20)

71、式中，di＝[d(w(i(x)),p1),d(w(i(x)),p2),…,d(w(i(x)),pn)]t。表示di各个分量中的最大值，即截获信号xi在特征空间中与各互易点的最大距离，构成集合：

72、

73、由测试样本集sr在最终特征空间中的分布特点易知，样本来自已知类srk、未知类sru两种情况时，的值具有较大差异，属于不同的分布p和q：

74、

75、由于非合作接收时，模型在训练阶段只有库内已标记的数据sl，但是sl与srk经特征提取映射到相同的特征空间，所以当sl足够多时，可以通过集合ψ(sl,p)max的频率统计估计真实分布p，得到p的概率密度函数的近似用于确定开集识别阈值τd。为了保证重点关注的已知类信号的识别准确性，τd通过下式确定：

76、

77、识别阶段使用该阈值对样本进行分类：

78、

79、由于采用如上所述的技术方案，本发明具有如下优越性：

80、本发明提供的一种基于卷积神经网络的雷达信号波形自动识别方法，采用互易点对lpi雷达已知类信号的潜在类外空间进行表达，利用信号特征向量与互易点之间的高维空间距离作为判断信号是对应已知类或是未知类，实现已知类信号的特征空间与未知类的特征空间差异性分布，减少它们之间的重叠。将rpl-loss损失函数引入卷积神经网络，rpl-loss损失函数加入了潜在未知类的识别错误风险项，使得lpi雷达信号识别网络具有拒绝未知类信号的能力，从而提出一种基于卷积神经网络的lpi雷达信号开集识别框架，既能高准确率地识别lpi雷达信号的已知类，又能有效地检测出未知类信号的存在。